一组Skoltech科学家开发了机器学习（ML）算法，该算法可教授人工智能（AI）以基于核磁共振（NMR）数据确定机油粘度。该新方法可用于石油工业和其他部门，这些部门必须依靠间接测量来表征物质。这项研究发表在《能源与燃料》杂志上。

粘度是石油和石化产品的重要参数，对生产和加工具有影响，同时有助于更好地理解和模拟储层的自然过程。标准的油粘度评估和监控技术非常耗时和金钱，有时在技术上不可行。

由于材料具有吸收和发射电磁能的能力，因此NMR可以帮助确定特性。油是碳氢化合物的化学非均质混合物，这使得NMR结果的解释极为困难。

来自Skoltech，卡尔加里大学（加拿大）和科廷大学（澳大利亚）的一组科学家使用ML算法处理了NMR数据。

他们的模型基于来自加拿大和美国油田的各种类型油的NMR数据进行了训练，得出了粘度的准确预测值，这一点已通过实验室测试得到了证实。

据Skoltech碳氢化合物回收中心（CHR）教授Dmitry Koroteev表示，他们的研究表明ML算法如何帮助表征间接测量的材料特性，更具体地说，是使用NMR测量而非粘度测量在实验室里。

实际上，这意味着人们可以获取地下储层中有关油的信息，而无需提取样本并将其带到实验室进行测试。“令人惊讶的是，机器学习在这里比传统的相关性更好。”科罗捷耶夫教授评论说。“我们可以直接或间接进行的实验测量对我们的ML算法是一个很好的训练。测试表明，该算法具有良好的泛化能力，不需要重新训练。”

“特别有趣的是在超重油和沥青样品上获得的高精度ML模型。由于它们复杂的化学组成，对于这些油类型，NMR弛豫和粘度之间的关系尚不明确。对于经验模型，解决方法是进行其他测量以确定油的相对氢指数（RHI），这些信息通常不容易获得或很难在现场进行准确测量。我们的研究表明，使用ML衍生的NMR粘度型号，则无需进行这些测量。”-Skoltech-Curtin博士解释说。该论文的第一作者学生Strahinja Markovic。

科学家们相信，他们的方法可以在石油工业之外找到用途。并非总是可以将测试样品用于直接测试，这使得间接测量成为各种行业的幸运选择，例如食品行业，即使不切开水果也可以测试水果的质量，或者在农业中土壤质量评估可以覆盖更大的区域。